La inteligencia artificial generativa ha obligado a las universidades a cambiar la forma de vigilar la autoría de los trabajos, pero los detectores automáticos no ofrecen una prueba definitiva y cada vez cobran más importancia la revisión del proceso, la defensa oral y las evaluaciones que exigen demostrar conocimientos.
Durante décadas, descubrir un trabajo copiado significaba comparar párrafos, rastrear fuentes y buscar coincidencias. La llegada de herramientas capaces de redactar un ensayo completo en segundos cambió las reglas del juego. Ahora, una universidad puede enfrentarse a un texto impecable en apariencia, pero cuyo verdadero autor quizá nunca haya escrito una sola línea.
La respuesta institucional ha sido rápida. De acuerdo con una encuesta mundial difundida por la UNESCO en 2025, casi dos terceras partes de las instituciones de educación superior vinculadas con Cátedras UNESCO o redes UNITWIN ya contaban con directrices sobre el uso de inteligencia artificial o estaban elaborándolas. La cuestión dejó de ser, por tanto, si los estudiantes utilizan estas herramientas. El debate está en determinar cuándo su utilización constituye una ayuda legítima y cuándo se convierte en una forma de fraude.
Una de las respuestas más visibles son los detectores de escritura generada por IA. Plataformas como Turnitin han incorporado sistemas capaces de analizar patrones lingüísticos y señalar fragmentos que podrían haber sido producidos por un modelo de lenguaje. La propia compañía reconoce, sin embargo, que sus resultados no deben utilizarse como única evidencia contra un estudiante. En su documentación actual advierte que el sistema puede equivocarse tanto al identificar textos humanos como al reconocer contenido generado artificialmente.
La advertencia no es menor. Una investigación publicada en 2026 en International Journal for Educational Integrity evaluó detectores comerciales con textos humanos, generados por IA y composiciones híbridas. Sus autores encontraron diferencias importantes en precisión y confiabilidad. Otro estudio, también reciente, comparó cuatro detectores y observó que su desempeño cambia considerablemente según el tipo de texto y el grado de intervención humana.
La dificultad aumenta cuando el estudiante no entrega directamente un texto generado por un chatbot, sino que combina su propia redacción con sugerencias de IA. Precisamente un estudio publicado en 2025 sobre detección de textos académicos encontró que los sistemas tenían dificultades para clasificar correctamente los trabajos en los que existía una participación humana intermedia. Es un terreno especialmente delicado: una frase corregida por una herramienta no equivale necesariamente a un ensayo escrito íntegramente por una máquina.
Por eso algunas universidades han comenzado a mirar más allá del documento final. En lugar de preguntar únicamente «¿quién escribió este texto?», la evaluación empieza a interesarse por otra cuestión: «¿puede el estudiante demostrar que comprende lo que entregó?». Esa diferencia cambia radicalmente la investigación.
Un profesor puede pedir al alumno que explique oralmente su argumento, justifique una fuente, desarrolle un cálculo utilizado en el trabajo o reconstruya las decisiones que tomó durante la investigación. También puede solicitar borradores sucesivos, esquemas, notas de lectura o registros del proceso de escritura. Si el resultado final aparece de repente, sin antecedentes coherentes, surge una señal que puede ser mucho más útil que una puntuación automática.
La UNESCO ha planteado precisamente la necesidad de transformar la evaluación en la era de la IA. En un análisis publicado en 2025, la organización sostuvo que las instituciones educativas necesitan conceder mayor peso al pensamiento crítico, la creatividad y el razonamiento ético, habilidades que no deberían reducirse a la entrega de un texto terminado.
Hay además una ironía difícil de ignorar. Mientras las universidades perfeccionan sus mecanismos de detección, también evolucionan las herramientas utilizadas para modificar textos generados artificialmente y hacerlos menos reconocibles. Turnitin informó en 2025 que había incorporado capacidades destinadas a identificar determinados métodos de elusión de sus sistemas. Pero la carrera tecnológica no termina ahí. Cada mejora en la detección genera nuevos intentos de ocultamiento.
El verdadero desafío, entonces, no parece consistir en construir una máquina capaz de descubrir todas las trampas. Esa batalla podría no tener un ganador definitivo. La solución más sólida está en diseñar evaluaciones en las que copiar o delegar completamente el trabajo resulte menos útil. Un examen oral, un proyecto desarrollado por etapas o una discusión sobre las decisiones tomadas durante una investigación dejan mucho menos espacio para esconder la ausencia de aprendizaje.
La verdad es que la inteligencia artificial no ha destruido por sí sola la integridad académica. Lo que ha hecho es poner al descubierto las debilidades de un modelo de evaluación que durante mucho tiempo confió demasiado en productos finales fáciles de automatizar. El futuro de las universidades dependerá menos de perseguir cada texto sospechoso y más de demostrar que aprender sigue siendo una actividad que requiere comprensión, criterio y responsabilidad.